Una tarjeta de título generada que dice Qwen 4 vs Muse Wonder, con el subtítulo El modelo más barato es el que nadie ha cronometrado, y dos tarjetas: Coste por tarea de indexación que muestra $3.27 encima de $6.95, y Velocidad medida que muestra «no publicado» encima de 118 tokens por segundo.
Guides & Insights

Qwen 4 vs Muse Wonder: el modelo más barato es el que nadie ha cronometrado

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Muse Wonder te costará aproximadamente $6.95 completar una tarea del Intelligence Index. Qwen4-Max te costará $3.27. Ese es todo el argumento económico del nuevo buque insignia de Alibaba frente al de Meta, y viene con una gran advertencia: los $3.27 pertenecen a un modelo que no tiene velocidad de salida publicada, ni tiempo medido por tarea, ni medición de tiempos de ningún tipo en la tabla que produjo la cifra. Muse Wonder tiene las tres cosas: 118 tokens por segundo, 13.5 minutos por tarea del índice y 19.64 segundos hasta el primer token de respuesta. Así que la afirmación honesta es que el buque insignia de Qwen 4 cuesta aproximadamente la mitad y tiene una cantidad desconocida de la velocidad, y solo una de esas dos diferencias puedes planificar hoy. Muse Wonder se lanzó el 12 de octubre de 2026; Qwen4-Max, el 16 de noviembre de 2026. Ambas fechas son contexto, no noticia.

Los dos perfiles, uno al lado del otro y sin suavizar

Muse Wonder es el modelo de razonamiento de vanguardia de Meta, diseñado para trabajo agéntico con una superficie de entrada inusualmente amplia: texto, imágenes, voz y vídeo de entrada, texto de salida, dentro de un contexto de un millón de tokens. Es un modelo propietario de API a $4,00 por millón de tokens de entrada y $20,00 por millón de salida, con una tarifa combinada de $2,94 y un descuento de caché del 95 %. Meta también publica una variante de mayor esfuerzo que obtiene 41 en lugar de 44 y se ejecuta más rápido en términos de tiempo de reloj —9,5 minutos por tarea de índice frente a 13,5—, lo cual es un recordatorio útil de que «máximo esfuerzo» no es automáticamente la configuración correcta.

Qwen4-Max es el buque insignia de cuarta generación de Alibaba: un modelo de mezcla de expertos dispersos de 2,4 billones de parámetros con 71 mil millones activos por token, visión nativa, entrada de video, un contexto de un millón de tokens y un presupuesto de 262.144 tokens compartido entre pensamiento y respuesta. Su precio es de 1,50 USD de entrada y 4,50 USD de salida por millón, con lecturas de caché a 0,075 USD.

• Puntuación — Qwen4-Max 43 (puesto 38 de 81) vs Muse Wonder 44 (puesto 35 de 81)

• Precio de entrada — Qwen4-Max $1.50 frente a Muse Wonder $4.00 por 1 M

• Precio de salida — Qwen4-Max $4.50 vs Muse Wonder $20.00 por 1M

• Costo por tarea de indexación: Qwen4-Max $3.27 vs Muse Wonder $6.95

• Velocidad de salida — Qwen4-Max: no publicada vs. Muse Wonder: 118 tokens por segundo

• Tiempo por tarea de indexación — Qwen4-Max no publicado frente a Muse Wonder 13,5 minutos

• Superficie de entrada — Qwen4-Max texto, imagen, video frente a Muse Wonder texto, imagen, voz, video

• Pesos — ninguno de los dos publica alguno.

El precio por token y el precio por respuesta difieren en un factor de dos.

La relación principal es de 4,4× en salida y 2,7× en entrada. La relación por tarea es de 2,1×. La diferencia entre esas cifras es la cantidad de trabajo que hace cada modelo para producir una respuesta, y va en dirección contraria a lo que sugiere la etiqueta: Muse Wonder está gastando más tokens por tarea, no menos, y por eso un precio de salida de $20 se convierte en una factura de $6,95 en lugar de una de $40.

Analízalo con un trabajo concreto. Una revisión de un documento de 50.000 tokens que produce un memorando de 5.000 tokens, sin caché: Qwen4-Max cobra $0.075 por la entrada y $0.0225 por la salida, menos de diez centavos. Muse Wonder cobra $0.20 y $0.10, treinta centavos. Tres a uno, y ambas son cantidades triviales, que es la cuestión. A poco volumen, ningún precio importa y la diferencia de puntuación de un punto de índice es irrelevante frente a la cuestión de la velocidad.

Escalémoslo. Diez mil de esas reseñas al mes: Qwen4-Max $975 frente a Muse Wonder $3,000. Ahora el precio importa, y ahora el cronómetro que falta importa más, porque un trabajo que cuesta un tercio pero tarda el doble puede que no quepa en una ventana nocturna.

Así se plantea la decisión. No es una comparación en la que un modelo sea mejor; es una en la que la opción más barata tiene una dimensión no medida que resulta ser justamente la que más importa a los sistemas en producción.

Lo que realmente te cuesta «sin velocidad publicada»

Un modelo no medido no es un modelo lento, y sería un error interpretarlo así. Es un modelo cuya latencia tienes que establecer tú mismo antes de poder ponerlo detrás de cualquier cosa con un tiempo de espera. Eso tiene tres consecuencias prácticas, en orden ascendente de molestia.

Primero, no puedes dimensionar el autoescalado a partir de la documentación. Tienes que hacer una prueba piloto, medir el p50 y el p95 del tiempo hasta el primer token con tus propias longitudes de prompt y, después, dimensionar. Los 30 tokens por segundo y los 39,7 minutos por tarea de Kimi K3.1 Pro se midieron y se publicaron; la cifra de Qwen4-Max también lo estará, con el tiempo, pero ahora no está.

En segundo lugar, los modelos de razonamiento se degradan de forma impredecible bajo carga de maneras que un número de tokens por segundo solo captura en parte. La cifra de 19,64 segundos de Muse Wonder hasta el primer token de respuesta con el esfuerzo máximo es una medición reproducible. Un modelo sin esa cifra no tiene una línea base con la que detectar que un martes es el doble de lento que un lunes.

Tercero —y esto es lo que duele—: una capa de enrutamiento solo puede hacer conmutación por error basándose en la latencia si sabe cómo es lo normal. Si pones un modelo sin medición de tiempos en un grupo con uno que sí los tiene medidos, el comportamiento del grupo queda definido por el miembro más lento y desconocido. La conmutación por error hace que eso sea sobrellevable: una solicitud que se queda atascada se puede reintentar contra un segundo modelo sin que el cliente lo sepa. No hace que sea medible, y no sustituye el conocer tus propias cifras.

La superficie de entrada es el verdadero diferenciador de Muse Wonder.

El habla no es una casilla que marcar. Muse Wonder acepta audio como una entrada de primera clase, junto con texto, imagen y video, y devuelve texto. Qwen4-Max acepta texto, imagen y video. Si tu canalización ingiere grabaciones de llamadas, audio de reuniones o medios de difusión, esa diferencia decide el modelo antes de que se hable siquiera del precio: transcribir a texto primero es un modelo aparte, una factura aparte y un modo de fallo aparte que pierde la prosodia y el solapamiento de hablantes.

El vídeo es el otro eje en el que ambos compiten y los detalles importan. Ambos lo aceptan; ninguno publica un límite de velocidad de fotogramas, duración o resolución en el material que leímos, lo que significa que una carga de trabajo de vídeo es una prueba piloto en ambos lados en lugar de una comparación de especificaciones.

Donde Qwen4-Max gana en entrada es en el coste a volumen. Un millón de tokens de contexto derivado de vídeo a 1,50 $ cuesta 1,50 $ en Qwen4-Max y 4,00 $ en Muse Wonder. El análisis de medios largos es exactamente la carga de trabajo donde la brecha de entrada de 2,7× se multiplica, y exactamente donde la ventaja de precio de Qwen4-Max es más defendible.

A generated two-column scoreboard for Qwen4-Max and Muse Wonder: Artificial Analysis Index 43 against 44, cost per task $3.27 against $6.95, input $1.50 against $4.00, output $4.50 against $20.00, speed not published against 118 tokens per second, and audio input no against yes.

Un punto de puntuación del índice y cuánto vale

44 frente a 43 en el mismo Artificial Analysis Intelligence Index, leído el mismo día. Eso no es una diferencia significativa en capacidad; está dentro del ruido de cómo un único índice agregado responde a un puñado de preguntas difíciles. Cualquiera que construya un argumento a favor de Muse Wonder sobre ese punto lo está construyendo sobre nada.

Lo significativo es que Muse Wonder tiene una variante de alto esfuerzo con una puntuación de 41, lo que indica que el dial de esfuerzo mueve la puntuación unos tres puntos en cualquier dirección. Si el dial de esfuerzo de Qwen4-Max se comporta de forma similar —y los propios informes de Alibaba sugieren que el esfuerzo cambia sustancialmente el consumo de tokens, con el uso de Work360 reducido un 24 % en xhigh y un 35 % en high—, entonces el 43 es una sola muestra de una distribución, no una propiedad fija. Reportado por el proveedor, relativo a Qwen3.8-Max, sin reproducir: trata la dirección como informativa y la magnitud como una afirmación.

Los benchmarks de lanzamiento de ambos proveedores deberían leerse con el mismo escepticismo. Las cifras de JobBench y Vals de Meta son datos propios. El 52,69 de Work360 de Alibaba, su reducción del coste por tarea de $4,43 a $1,67 y sus mejoras de bits por byte en cinco checkpoints base son datos propios. Ninguno de los dos conjuntos ha sido reproducido de forma independiente, y ninguno de los dos proveedores publica el arnés de evaluación que te permitiría intentarlo.

Donde cada uno es la respuesta obvia

Elige Muse Wonder cuando el audio esté en el flujo de trabajo, cuando necesites una cifra de latencia publicada para redactar un SLA, o cuando el trabajo sea agéntico y de horizonte largo y prefieras pagar 6,95 $ por una tarea que puedes cronometrar que 3,27 $ por una que no. La cifra de 118 tokens por segundo es realmente rápida para un modelo con esta puntuación, y la velocidad es una característica que los clientes notan.

Elige Qwen4-Max cuando el volumen sea la limitación, cuando la carga de trabajo consista en lectura de contexto largo en lugar de razonamiento de horizonte largo, o cuando la entrada sea vídeo a escala y la diferencia de entrada de 2.7× represente toda la factura. La tarifa plana de $1.50/$4.50 sin nivel de contexto largo es fácil de pronosticar, lo que importa más de lo que parece cuando estás elaborando un presupuesto trimestral.

Ambos son propietarios y no tienen pesos publicados, así que ninguno puede autoalojarse ni fijarse a una versión. Si ese es un requisito, esta comparación no tiene ganador y la respuesta es un modelo que publique checkpoints: Kimi K3.1 Pro, entre los modelos insignia, lo hace.

Si quieres evitar tener que elegir, el compromiso útil es un pool en lugar de una decisión: enrutar según la modalidad de entrada (audio a Muse Wonder, vídeo a escala a Qwen4-Max), conservar la ventaja de precio donde sea real y dejar que el failover cubra la latencia que aún no puedes predecir. Merece la pena ser preciso sobre lo que se puede enrutar hoy —ni Muse Wonder ni Qwen4-Max están entre los 215 identificadores que servimos, así que ese pool es un diseño, no una página de producto. Lo que sí ofrecemos en el lado de Meta es la línea Muse Spark a $1.25 de entrada y $4.25 de salida, y en el lado de Alibaba qwen/qwen3.8-max a $2.00/$6.00, con el precio de lista del proveedor y sin añadir nada.

Artificial Analysis page for Muse Wonder, captured 17 November 2026 in English, showing Intelligence #35 of 81, 19.64 seconds to first answer token, 118 output tokens per second, $4.00 input and $20.00 output per 1M tokens, 13.5 minutes and $6.95 per Intelligence Index task.

La pregunta que hay que hacer antes del próximo lanzamiento

Toda comparación de un modelo de hace unas semanas con uno de hace un mes tiene la misma debilidad: la evidencia es asimétrica de formas que favorecen al modelo que se lanzó primero, porque las pruebas independientes han tenido más tiempo para examinarlo. Las cifras de Muse Wonder son más ricas no porque Meta sea más transparente, sino porque ha tenido cinco semanas más de medición.

Lo que hay que observar no es otro benchmark. Es si la velocidad y el tiempo por tarea de Qwen4-Max aparecen en el mismo cuadro antes de que se agote la ventaja de precio. Un modelo que cuesta la mitad por tarea y tiene el doble de latencia es un producto distinto de uno que cuesta la mitad y es comparable, y ahora mismo nadie fuera de Alibaba sabe cuál de esos dos es.

OrcaRouter model page for Muse Spark 1.2, captured 17 November 2026 in English, showing the identifier meta/muse-spark-1.2, text, image, video, file and audio input, a 1M-token context, a pricing panel and the Meta vendor label.

Comparados en este artículo1

Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario